Théorème d'approximation universelle: MLP

Cette séance de cours couvre les perceptrons multicouches (MLP) et leur application de la classification à la régression, y compris la fonction Rosenbrock. Il traite de la mise en œuvre des fonctions du réseau profond, de la régression dans la vie quotidienne, de la régression non linéaire et de la régression de la fonction Rosenbrock. La séance de cours explore la précision en fonction du nombre de nœuds, de la représentation de l'image et de la transition du MLP au deep learning, y compris la traduction de PyTorch. Il explore le pouvoir de la composition, le théorème d'approximation universelle en 1D et nD, et la complexité des surfaces. La séance de cours aborde également le surajustement, la descente du gradient stochastique, la décroissance du poids, l'interpolation vs. extrapolation, la rétropropagation, les dérivées partielles et les défis des gradients de fuite et d'explosion.